关注我们，更多干货和惊喜好礼

邢江涛 吴春华

近期，中国食品发酵工业研究院、西北农林科技大学等单位联合在《Food Chemistry》刊发最新研究成果：首次依托赛默飞 TSQ 9610 GC-MS/MS 三重四极杆气质联用仪，建立可同步准确定量白酒中 156 种关键微量风味组分的高通量快速检测方法；结合机器学习算法，实现赤水河流域 6 大产区酱香白酒的精准区分，为白酒真伪鉴别、地理标志保护、品质溯源与风味数字化表达提供全新技术方案。

目前已报道的酱香白酒挥发性风味化合物超 2700 种，其风味体系层级丰富、组分构成复杂。醇、醛、酸、酯类为常量风味组分，含量可达上千毫克每升，构成酱香型白酒酒体风味核心骨架，奠定酒体基础风味特征；而吡嗪、萜烯、酚、呋喃类等种类繁多的微量、痕量风味化合物，含量远低于常量组分，却具备典型的“量微效著”特点，对不同酱香白酒的香气层次、独特感官风格起到关键调控作用。

如何从海量风味信息中找到能够代表产区特征的“风味密码”，是白酒产地溯源领域的核心挑战。针对该痛点，研究团队构建了覆盖156种痕量挥发性香气化合物（TVACs）的GC-MS/MS靶向定量体系，并结合机器学习建立产区识别模型，构建“风味物质解析 — 智能产地判别”完整创新技术链路。

传统白酒风味分析多采用顶空固相微萃取气相色谱质谱法（HS-SPME-GC-MS），整套流程需要经历平衡、萃取和解吸等多个步骤，耗时冗长；同时检测结果易受萃取效率、纤维吸附偏差及基质效应干扰。

本研究充分利用TSQ 9610 GC-MS/MS在复杂基质条件下的高灵敏度和高选择性的检测优势，落地直接进样方案，采用：1 mL酒样 + 10μL内标 → 1μL样品直接进样分析；无需萃取、浓缩富集等前处理步骤。对于实验室检测工作而言，该方案具备多重优势：更简化的前处理流程；更高的样品通量；更低的人为操作误差；更强的数据一致性。

研究首次建立可同步定量白酒中 156 种微量关键风味组分的分析平台，覆盖酯、萜烯、吡嗪、酚、醛、呋喃、酮、醇和内酯等10大类微量/痕量风味化合物，其中含量极低、但风味阈值更低的“隐形核心风味组分”，可以被准确捕捉和量化。这对于理解复杂风味的细微差异至关重要，大幅提升了白酒风味组学的分析深度与覆盖范围。

图 2 1 mg/L 混合标准溶液 156 种痕量挥发性香气物质选择离子监测（SRM）模式总离子流色谱图；(A) 定性定量总离子流色谱图；(B) 定量离子提取色谱图（点击查看大图）

对于三重四极杆质谱使用者而言，方法开发耗时最长。传统流程需要人工逐一筛选母离子、子离子，并优化碰撞能。当目标物数量达上百种时，方法开发周期往往以周甚至月计算。

本研究借助赛默飞AutoSRM自动化软件平台，实现了156种目标化合物SRM方法的自动开发和参数优化，极大缩短方法开发周期。整套方法分析性能优异：

✅ 标准曲线相关系数 R²＞0.99

✅ 目标物加标回收率 82%–118%

✅ 方法精密度 RSD＜3.96%

✅ 基质效应控制在 ±15% 以内

高质量数据为后续机器学习建模筑牢数据基础。

即使针对保留时间高度重叠的化合物，也能利用SRM模式实现精准区分和准确定量。AutoSRM 有效降低风味组学、食品安全、多残留检测、靶向代谢组学领域的质谱方法开发门槛，加速从实验设计到数据产出的全流程。

图1. 以四甲基吡嗪为例的 SRM-GC–MS/MS 方法开发流程。A：基于 NIST 标准质谱数据库筛选前体离子；B：默认碰撞能量（10、20 和 30 eV）下产物离子的 m/z 分布及响应强度谱；C：SRM 扫描模式下单个离子对的提取离子色谱图；D：不同碰撞能量下离子对峰响应强度的变化；E：优化后的定量离子对和定性离子对的提取离子色谱图。（点击查看大图）

为了从海量风味定量数据中挖掘地域专属特征，研究团队引入正交偏最小二乘判别分析（OPLS-DA）、随机森林（Random Forest）和SHAP可解释性分析算法开展建模研究。研究基于TSQ 9610 高通量定量平台；在46份酱香型轮次基酒样品中稳定检出69种风味物质；结合OPLS-DA和统计学筛选，最终锁定40种关键地域差异标志物，搭建 AI 产地识别模型，分类准确率达 90%。不同产区样品在模型中聚类边界清晰，展现出明显的地域风味特征。

更关键的是，SHAP分析进一步揭示了不同产区最具代表性的风味贡献物质，使模型不仅能够“判断”，还能解释“为什么这样判断”，让AI从黑盒判定走向可解释分析。该技术体系意味着未来白酒产区鉴别有望逐步走向客观、可验证、可追溯的数据化判定模式。

本研究核心检测平台为TSQ 9610 GC–MS/MS，研究成果充分印证了其在复杂基质分析中的优势：

依托上述优势，研究团队借助该仪器完成 156 种痕量风味物质高通量同步定量，完整覆盖酱酒核心风味维度；为白酒中上百种风味阈值更低的“隐形核心风味组分” 提供快速、精准的定量手段，是90%准确率的AI产区溯源模型可靠数据基础，成为连接风味组学与人工智能分析的重要数据引擎。

Geographic discrimination of Sauce-flavor rounded-base Baijiu using GC-MS/MS combined with multivariate analysis and machine learning

期刊：Food Chemistry

发表时间：2026 年 3 月

DOI：10.1016/j.foodchem.2026.148901

如需合作转载本文，请文末留言。